按列值分组并在 3 天内分组

Question

我有一个非常复杂的问题，找不到我可以应用的答案。在包含工作、任务和日期（字符串、字符串、日期）的数据框中，我想根据工作进行分组，但只有当日期彼此相隔 3 天以内时：

Work	Task	Date
Work 1	Task 1	08-12-2021
Work 1	Task 2	09-12-2021
Work 1	Task 3	10-12-2021
Work 2	Task 1	20-12-2021
Work 2	Task 2	20-12-2021
Work 2	Task 3	21-12-2021
Work 1	Task 1	10-12-2021
Work 1	Task 2	11-12-2021

数据集：

In [1]: df = pd.DataFrame([['Work1','Task1','08-12-2021'], ['Work1','Task2','09-12-2021'], ['Work1','Task3','10-12-2021'],['Work2','Task1','20-12-2021'],['Work2','Task2','20-12-2021'],['Work2','Task3','21-12-2021'],['Work1','Task1','10-12-2022'],['Work1','Task2','11-12-2022']], columns=['Work', 'Task','Date'])

我尝试了什么：我计算了一个包含分组工作、工作开始日期（聚合最小日期）、工作完成日期（聚合最大日期）、第一项任务、最新任务的数据框。

df2 = df.groupby(by=('Work')).agg(Max=('Date','max'), Min=('Date','min')).reset_index()

df2["Finish_Date"] = df2.merge(df, left_on=["Work", "Max"], right_on=["Work", "Date"])['Task']
df2["Start_Date"] = df2.merge(df, left_on=["Work", "Min"], right_on=["Work", "Date"])['Task']

我得到什么：

Work	Start Date	Finish Date	First Task	Last Task
Work 1	08-12-2021	11-12-2022	Task 1	Task 2
Work 2	20-12-2021	21-12-2021	Task 1	task 3

问题是工作不能持续超过 3 天，我想根据工作分组，但每个分组不超过 3 天。我尝试用作品+开始日期来创建一个新的列来区分不同的作品，但没有成功。我想要的是：

Work	Start Date	Finish Date	First Task	Last Task
Work 1 - 08-12-2021	08-12-2021	10-12-2022	Task 1	Task 3
Work 2 - 20-12-2021	20-12-2021	21-12-2021	Task 1	task 3
Work 1 - 10-12-2022	10-12-2022	11-12-2022	Task 1	task 3

谢谢

Answer 1

在groupby中使用shift和cumsum：

output =  ( df.groupby([(df['Work'] != df['Work'].shift()).cumsum()])
                   .agg(('first', 'last')).drop('Work', axis=1))

输出：

    Task            Date
   first    last    first         last
Work                
1   Task1   Task3   08-12-2021  10-12-2021
2   Task1   Task3   20-12-2021  21-12-2021
3   Task1   Task2   10-12-2022  11-12-2022

Answer 2

这是我将如何做这样的事情：

# Assuming the data is sorted by date:
# First, convent the date to a datetime.
df['Date'] = pd.to_datetime(df['Date'], format="%d-%m-%Y")

# then find the gaps of 3 or more days and label the consecutive runs
groupings = (df['Date'].diff().dt.days >= 3).cumsum()

# we can now group by these labels and find the min/max
final = df.groupby(groupings).agg({'Date': ['min','max'], 'Task': ['first','last']})

# Then, to flatten the multiindex, we can use:
final.columns = ['Start Date', 'End Date', 'First Task', 'Last Task']

===================== 
Result:
     Start Date   End Date First Task Last Task
Date
0    2021-12-08 2021-12-10      Task1     Task3
1    2021-12-20 2021-12-21      Task1     Task3
2    2022-12-10 2022-12-11      Task1     Task2

希望有帮助！

编辑澄清：

如果不同的工作项在日期上很接近但需要留在不同的组中，您可以改用groupby(['Work',groupings])。

此外，如果您有以下内容：

Work	Date
T1	2022-01-03
T2	2022-01-05
T2	2022-01-07
T1	2022-01-09

您可能想使用groupings = (df.groupby('Work').Date.diff().dt.days >= 3).cumsum()，以便两个T1出现在不同的组中。